टेस्ला और गूगल जैसे टेक दिग्गजों ने सेल्फ-ड्राइविंग वाहनों को तकनीकी उत्साही लोगों के बीच ज्यादा चर्चा का विषय बना दिया है। दुनिया भर में विभिन्न कंपनियां विभिन्न इलाकों के लिए स्वायत्त ड्राइविंग वाहनों को विकसित करने की दिशा में काम कर रही हैं।
कनेक्टेड ऑटोनॉमस ड्राइविंग टेक्नोलॉजी को सुलभ, सस्ती और सभी के लिए उपलब्ध बनाने के लिए, भोपाल स्थित स्वायत्त रोबोट बैंडवागन में शामिल हो गए। हालाँकि, स्वायत्त रोबोटिक्स में शामिल सभी प्रौद्योगिकी के बारे में अपार ज्ञान के साथ, कंपनी के सीईओ, श्री संजीव शर्मा ने कई तकनीकी कंपनियों को दौड़ में पीछे छोड़ दिया। 2009 के बाद से, वह बहुत से शोध कर रहा है और गणितीय गणना कर रहा है, जिसमें सेल्फ-ड्राइविंग कारों के लिए स्मार्ट समाधान शामिल हैं।
हमें श्री संजीव से बात करने और ऑटोनॉमस व्हीकल और रोबोटिक्स के पीछे की हर उस तकनीक को जानने का मौका मिला, जो स्वायत्त रोबोट अपने भविष्य की योजनाओं पर काम कर रहे हैं। हमारे साथ हुई पूरी बातचीत को पढ़ने के लिए एक छलांग मारो। वैकल्पिक रूप से, आप हमारे संपादक और संजीव के बीच की बातचीत को सुनने के लिए नीचे दिए गए वीडियो को भी देख सकते हैं
Q. सभी के लिए स्वायत्त ड्राइविंग तकनीक को सुलभ और सस्ती बनाना स्वायत्त रोबोटों का मुख्य मिशन है। कैसे शुरू हुआ सफर?
मैं पिछले 11 वर्षों से स्वायत्त नेविगेशन के क्षेत्र में शोध कर रहा हूं। 2009 में वापस, मैं DARPA ग्रैंड चैलेंज से प्रेरित थाअमेरिका में ऐसा ही हुआ। उन वर्षों के दौरान स्वायत्त ड्राइविंग मेरा लक्ष्य बन गया। कई वर्षों तक, मैंने शोध किया और अनिश्चितताओं के तहत विशेष रूप से गति योजना और निर्णय लेने पर स्व-अध्ययन किया। मशीन सीखने, सुदृढीकरण सीखने और विभिन्न तकनीकों का इष्टतम उपयोग करने पर ध्यान केंद्रित किया गया था। मैंने 2014 में स्वायत्त रोबोट्स की शुरुआत की थी, लेकिन यह पिछले कुछ वर्षों में किए गए शोध और अध्ययनों को लागू नहीं कर रहा था। गति और निर्णय लेने में कुछ विचारों को लागू करना, मुझे धारणा योजना और स्थानीयकरण समस्या को हल करना था। मुझे केवल निर्णय लेने और गति योजना के क्षेत्र में अनुसंधान का अनुभव था। लेकिन धारणा और स्थानीयकरण के क्षेत्र मेरे लिए काफी नए थे। मेरी जबरदस्त गणितीय पृष्ठभूमि ने मुझे बहुत मदद की।
एक बार जब मैंने 2015 के आसपास स्वायत्त ड्राइविंग को सक्षम करने के लिए एल्गोरिथम फ्रेमवर्क विकसित करना शुरू किया, तो मुझे एहसास हुआ कि यह कुछ बहुत बड़ा हो सकता है, और हम वास्तव में बहुत ही स्टॉकेस्टिक प्रतिकूल यातायात परिदृश्यों में स्वायत्त ड्राइविंग की समस्या को हल कर सकते हैं। और 2014 के बाद से, मैं इस स्टार्टअप पर पूरा समय काम कर रहा हूं। विशेष रूप से मेरा अनुसंधान कई शाखाओं को शामिल करता है, लेकिन, विशेष रूप से, हमारी कंपनी का अधिकांश ध्यान निर्णय लेने और गति नियोजन एल्गोरिदम को विकसित करने के लिए है, जो कि स्वायत्त वाहनों को यातायात गतिशीलता में बहुत उच्च स्तर की स्थिरता के साथ निपटने की अनुमति देता है। स्वायत्त रोबोटों पर होने वाले शोध का लगभग 65% से 70% हिस्सा है। लगभग 25% - 27% शोध धारणा के क्षेत्र में जाता है, जिसमें सभी प्रकार के एल्गोरिदम शामिल होते हैं जो एक वाहन रोबोट प्रणाली से सेंसर डेटा की प्रक्रिया करते हैं:और इसके चारों ओर दुनिया का 3 डी प्रतिनिधित्व बनाएँ।
धारणा में, हम दुनिया की बहुत कम कंपनियों में से एक हैं जो स्वायत्त वाहनों को केवल ऑफ-द-शेल्फ कैमरों का उपयोग करके पर्यावरण का अनुभव करने की अनुमति दे सकते हैं जो दिन और रात के समय में भी काम करते हैं। यह अब तक की यात्रा है।
Q. आपने अपने विचारों को मान्य करने के लिए 2014 में शुरुआत की थी और फिर आपने 2015 तक पूरी तरह से रास्ता पकड़ लिया। तो इस एक साल में हमें क्या करना चाहिए? आपने कैसे परीक्षण किया कि स्व-ड्राइविंग भारत में किया जा सकता है?
स्वायत्त ड्राइविंग तीन एल्गोरिथम पाइपलाइनों का मिश्रण है जो एक साथ रखा जाता है। धारणा, योजना और स्थानीयकरण। एल्गोरिदम संवेदी डेटा लेते हैं, इसे संसाधित करते हैं, और एक वाहन के चारों ओर 3 डी प्रतिनिधित्व का निर्माण करते हैं। हम उन्हें धारणा एल्गोरिदम कहते हैं। स्थानीयकरण एल्गोरिदम वैश्विक स्तर पर सड़क पर वाहन की स्थिति को सटीक रूप से निर्धारित करने का प्रयास करते हैं। यह कैसे रोबोट शैक्षणिक सेटिंग्स में काम करते थे। 2009 में, Google द्वारा स्वायत्त ड्राइविंग के इस मॉडल का बीड़ा उठाया गया था। एक निश्चित सड़क पर एक स्वायत्त वाहन को नेविगेट करने से पहले, पूरी सड़क को 3 डी में बहुत अधिक विस्तार से मैप करना होगा। हम इन मानचित्रों को उच्च निष्ठा मानचित्र कहते हैं। ये उच्च निष्ठा नक्शे पर्यावरण के बारे में कुछ बहुत महत्वपूर्ण जानकारी संग्रहीत करते हैं। वे आम तौर पर पर्यावरण में सभी अलग-अलग प्रकार के सीमों को संग्रहीत करते हैं।
एक वातावरण में स्वायत्त वाहन नेविगेट करने से पहले, पूरे वातावरण को बहुत सटीक तरीके से मैप किया जाता है। सभी लेन मार्कर, सड़क की सीमाएं, और पर्यावरण में किसी भी प्रकार का सीमांकक वास्तव में इन प्रकार के उच्च फिदेल मैप्स में संग्रहीत किया जाता है।
जब वाहन एक ऐसे वातावरण के माध्यम से नेविगेट करता है जिसके लिए आपके पास पहले से ही उच्च-निष्ठा के नक्शे हैं, तो आप फिर से वाहन पर लगे विभिन्न सेंसरों से डेटा कैप्चर करते हैं और आपके द्वारा बनाए गए संदर्भ मानचित्र के साथ डेटा से मेल खाने का प्रयास करते हैं। यह मिलान प्रक्रिया आपको एक पोज़ वेक्टर प्रदान करती है जो आपको बताती है कि ग्रह पृथ्वी पर कहाँ है और वाहन का विन्यास क्या है। एक बार जब आप सड़क पर वाहन की स्थिति और कॉन्फ़िगरेशन जानते हैं, तो आपके द्वारा उच्च-निष्ठा मानचित्रों में संग्रहीत की गई संपूर्ण जानकारी को वाहन के वर्तमान कॉन्फ़िगरेशन के शीर्ष पर अनुमानित किया जाता है। जब आप इस जानकारी को सड़क मार्कर, लेन मार्कर, और किसी भी तरह के सड़क परिसीमन या पर्यावरण परिसीमन के रूप में प्रोजेक्ट करते हैं; स्वायत्त वाहन को पता है कि वह अब किसी विशेष परिसीमन के संबंध में या किसी विशेष लेन मार्कर से कहां है। इसलिए,यह वही है जो स्थानीयकरण एल्गोरिदम करता है।
स्वायत्त ड्राइविंग का अंतिम क्षेत्र योजना और निर्णय लेना है। आपके पास जितना परिष्कृत और बेहतर नियोजन और निर्णय लेने वाला एल्गोरिदम होगा, उतना ही अधिक सक्षम आपका स्वायत्त वाहन होने वाला है। उदाहरण के लिए, योजना और निर्णय लेने वाले एल्गोरिदम कंपनियों को दो स्तर, तीन स्तर, स्तर चार और स्तर पांच स्वायत्तता में अंतर करेंगे। निर्णय लेने या वाहन की गति और व्यवहार की योजना बनाने के लिए जिम्मेदार कोई भी एल्गोरिथ्म एक नियोजन एल्गोरिदम है।
प्लानिंग एल्गोरिदम में आपके पास जितना अधिक परिष्कार होगा, आपका वाहन उतना ही बेहतर होगा। कई गति नियोजक और निर्णयकर्ता वाहन और पर्यावरण की सुरक्षा का मूल्यांकन करने में मदद करते हैं, जिस गति से आप नेविगेट कर रहे हैं, वाहन के आस-पास, और सभी पैरामीटर जो आप अपने वातावरण से गणना कर सकते हैं। यह प्लानिंग एल्गोरिदम करता है।
मैं योजना के क्षेत्र में शोध कर रहा हूं। यदि आपके पास उस तरह के एल्गोरिदम हैं जो भारत में ट्रैफिक डायनेमिक्स में स्टोचैस्टिसिटी से निपट सकते हैं। यदि आप उससे निपट सकते हैं और यदि आपके पास एल्गोरिदम है, तो आपने साबित कर दिया है कि यदि आप सिर्फ एक धारणा और स्थानीयकरण स्टैक का निर्माण कर सकते हैं, तो आपके पास एक पूर्ण स्वायत्त ड्राइविंग तकनीक है।
आपको सबसे अच्छा काम करने के लिए सभी अलग-अलग एल्गोरिदम विकसित करने की आवश्यकता नहीं है। आपको बस तीन या चार अलग-अलग एल्गोरिदम बनाने की ज़रूरत है जिन्हें आप जानते हैं कि स्वायत्त ड्राइविंग में महत्वपूर्ण समस्या को हल करने जा रहे हैं। सुरक्षा प्राथमिक मुद्दा है कि आप सड़क पर वाणिज्यिक स्वायत्त वाहनों को क्यों नहीं देखते हैं। लागत और अन्य सभी मुद्दे गौण हैं। मैं संपूर्ण स्टार्टअप को केवल एक या दो एल्गोरिदम जैसे स्थानीयकरण और स्वायत्त ड्राइविंग के मानचित्रण पहलू पर बना सकता था। लेकिन मेरा लक्ष्य एक पूर्ण-स्वायत्त वाहन विकसित करना था और यहां और वहां एक या दो एल्गोरिदम नहीं। नियोजन और निर्णय लेने के क्षेत्र में प्रमुख पहलू साबित होने से मुझे बड़े पैमाने पर स्वायत्त ड्राइविंग की पूरी समस्या से निपटने का विश्वास मिला।
Q. स्वायत्त रोबोट किस स्तर की स्वायत्त ड्राइविंग है? और आपको लगता है कि भारत में किस स्तर पर संभव है?
हमारा लक्ष्य स्तर 5 स्वायत्तता प्राप्त करना है और यह सुनिश्चित करना है कि इस प्रकार के वातावरण में प्रौद्योगिकी सुरक्षित है। हम स्तर तीन और स्तर चार के बीच कहीं हैं। एल्गोरिथम अनुसंधान के कुछ जो हम कर रहे हैं वह गति नियोजन और निर्णय लेने में है जो कि स्तर पांच की ओर लक्षित है।
हम स्वायत्त वाहनों को सक्षम करने के लिए भी काम कर रहे हैं जो ट्रैफिक लाइट के बिना चरम यातायात घंटों में चौराहे को पार करने में सक्षम हो। हम अत्यधिक स्टोकेस्टिक यातायात के साथ तंग जगह से निपटने में स्वायत्त वाहनों को सक्षम करके स्तर-पांच स्वायत्तता प्राप्त करने का लक्ष्य बना रहे हैं। हमने बहुत ही चुस्त वातावरण में स्वायत्त ड्राइविंग की है जब एक वाहन या बाइक विपरीत छोर से भी आ रही थी। POC स्तर पर, हमने तीन और चार-स्तर के बीच हासिल किया है। हमने पहले ही तंग जगहों के साथ अत्यधिक स्टोकेस्टिक ट्रैफ़िक में प्रयोग करके स्तर-चार स्वायत्तता के लिए पीओसी को चालू कर दिया है। हमारा वर्तमान लक्ष्य भारतीय सड़कों पर 101 किलोमीटर प्रति घंटे की स्वायत्त ड्राइविंग प्राप्त करना है।
एक बार जब आप इस प्रकार के वातावरण में वाहन की सुरक्षा को साबित कर देते हैं, तो आप अपनी तकनीक ले सकते हैं और इसे कहीं और भी लागू कर सकते हैं जैसे कि उत्तरी अमेरिका और यूरोप में जहां यातायात बहुत अधिक संरचित है, जहां भारतीय की तुलना में वातावरण भी अधिक सख्त है वातावरण। इसलिए, भारत अब हमारे लिए यह साबित करने के लिए एक परीक्षण मैदान है कि हमारे पास ऐसा कुछ है जो किसी और ने नहीं किया है।
Q. स्वायत्त ड्राइविंग समाधान विकसित करने में स्वायत्त रोबोटों ने कितनी प्रगति की है? वर्तमान में आप किस स्तर पर काम कर रहे हैं?
वर्तमान में, हमारे पास दुनिया का सबसे तेज़ गति नियोजन एल्गोरिदम है जो 500 माइक्रोसॉन्ड में एक स्वायत्त वाहन के लिए इष्टतम-इष्टतम समय-पैरामीटरित प्रक्षेपवक्र की योजना बना सकता है। इसलिए एल्गोरिथ्म लगभग 2000 हर्ट्ज पर काम करता है। हमारे पास भारतीय राजमार्गों पर 80 किलोमीटर प्रति घंटे की स्वायत्त ड्राइविंग को सक्षम करने की तकनीक है। भारतीय राजमार्गों पर इस तरह की गति प्राप्त करना बहुत चुनौतीपूर्ण है। आमतौर पर, यदि आप ऐसा कर सकते हैं, तो आप इसे कहीं और भी ले जा सकते हैं। आप इसे विदेशी ट्रैफ़िक में लागू कर सकते हैं और मूल रूप से, आप चार स्तर के बहुत करीब हैं। आपको एक विचार देने के लिए, हम उस पर काम कर रहे हैं जिसे हम मल्टी-एजेंट आशय विश्लेषण और बातचीत कहते हैं। यह ढांचा हमारे वाहन को सड़क पर अन्य वाहनों या एजेंटों के इरादों की संभावना की गणना करने की अनुमति नहीं देता है।यह संपूर्ण पथ की संभावनाओं की गणना कर सकता है कि अन्य एजेंट या वाहन या पर्यावरण में बाधाएं नहीं आ सकती हैं। हालांकि, यह क्षमता अकेले पर्याप्त नहीं है। उदाहरण के लिए, आप एक बहुत ही कम्प्यूटेशनल रूप से मांग करने वाली प्रणाली का निर्माण कर सकते हैं जो भविष्य की गति के प्रक्षेपवक्र की भविष्यवाणी कर सकता है और शायद विभिन्न वाहनों के सभी पथ सेट की संभावनाओं की गणना करता है। यह वह जगह है जहाँ आपको कम्प्यूटेशनल आवश्यकता पर ध्यान केंद्रित करना है। मल्टी-एजेंट इरादे विश्लेषण और वार्ता की इस समस्या में कम्प्यूटेशनल मांग तेजी से बढ़ेगी यदि आपने कोई शोध नहीं किया है, तो गणित का ठीक से उपयोग नहीं किया है, या यदि आपने उन्हें ठीक से डिजाइन नहीं किया है। मैं लागू गणित से कुछ अवधारणाओं पर शोध कर रहा हूं, विशेष रूप से टोपोलॉजिकल सिद्धांत के क्षेत्र में। मैं कुछ अवधारणाओं का उपयोग कर रहा हूं जैसे होमोटॉपी नक्शे,जो हमारी तकनीक को संगणनाओं का पैमाना बनाने की अनुमति देता है। कम से कम अब के रूप में, यह एजेंटों की संख्या के मामले में अतिशयोक्तिपूर्ण है क्योंकि घातीय प्रहार के विपरीत, अगर आप एल्गोरिदम के पीछे गणित को ठीक से काम नहीं किया है, तो आप मुठभेड़ करेंगे।
बहु-एजेंट आशय विश्लेषण वार्ता ढांचा आगे दो अलग-अलग शाखाओं में विभाजित किया गया है जो हम वर्तमान में काम कर रहे हैं। एक TSN (टाइट स्पेस नेगोशिएटर फ्रेमवर्क) है और दूसरा ओवरटेकिंग मॉडल है। टीएसएन स्वायत्त वाहनों को कम और उच्च गति पर दोनों तंग वातावरण और स्टोकेस्टिक ट्रैफ़िक पर बातचीत करने की अनुमति देता है। उच्च गति क्लच वाले स्टोचस्टिक ट्रैफिक परिदृश्यों के लिए बहुत उपयोगी होगी और कम गति बहुत उपयोगी होगी जब वाहन एक शहरी परिदृश्य में नेविगेट कर रहा हो, जहां आप अक्सर ट्रैफ़िक में बहुत अधिक ट्रैफ़िक और शोर के साथ सबसे तंग सड़कों का सामना करते हैं। ट्रैफिक डायनामिक्स में बहुत अनिश्चितता है।
हम पिछले ढाई साल से इस पर काम कर रहे हैं और हमने इसे पहले ही POC के रूप में विकसित कर लिया है। इन चौखटों के कुछ बिट्स और टुकड़े जिनके बारे में मैं बात कर रहा हूं, उन्हें हमारे अगले प्रयोग में डेमो में दिखाया जा सकता है, जो कि भारतीय सड़कों पर 101 किलोमीटर प्रति घंटे के कार्य को प्राप्त करने के लिए लक्षित होगा।
इसके अलावा, हम AI की विभिन्न शाखाओं में भी शोध कर रहे हैं। हम अप्रेंटिसशिप लर्निंग का उपयोग करते हैं, उलटा सुदृढीकरण सीखने का उपयोग करते हैं। इसलिए, हम वर्तमान में भारतीय वाहनों की तरह ही स्वायत्त वाहनों को दो लेन वाली सड़कों पर आगे निकलने में सक्षम बनाने पर काम कर रहे हैं। हम सिमुलेशन में और साथ ही वास्तविक दुनिया में सीमित धन के साथ अधिकतम संभव तक साबित कर रहे हैं। ये कुछ अनुसंधान क्षेत्र हैं जो हमने पहले ही जमीन पर साबित कर दिए हैं, और उनमें से कुछ अगले कुछ महीनों में साबित होने वाले हैं।
इसके अलावा, हम दुनिया की एकमात्र ऐसी कंपनियों में से एक हैं जो पूरी तरह से अज्ञात और अनदेखी वातावरण में स्वायत्त ड्राइविंग को सक्षम कर सकती है जिसके लिए कोई उच्च-निष्ठा नक्शे नहीं हैं। हम उच्च-निष्ठा नक्शे के उपयोग के बिना स्वायत्त ड्राइविंग को सक्षम कर सकते हैं। हम उच्च निष्ठा नक्शे की आवश्यकता को पूरी तरह से मिटाने के व्यवसाय में हैं और यह उन्मूलन हमारी दो प्रमुख प्रौद्योगिकियों द्वारा सक्षम है। हमारा TSN फ्रेमवर्क एक नया नियामक बेंचमार्क सेट करने के लिए बनाया गया है।
Q. हार्डवेयर आर्किटेक्चर के बारे में बोलते हुए, आप अपने कम्प्यूटेशनल उद्देश्य के लिए किस तरह के हार्डवेयर का उपयोग करते हैं। इसके अलावा, आप अपने स्वायत्त वाहनों पर वास्तविक दुनिया का नक्शा बनाने के लिए किस तरह के सेंसर और कैमरों का उपयोग करते हैं?
अब तक, हम सिर्फ ऑफ-द-शेल्फ कैमरे का उपयोग करते हैं। यदि आप एक स्वायत्त वाहन के लिए हमारे डेमो को देखते हैं, तो आप देखेंगे कि हमने 3000 रुपये से अधिक कैमरे का उपयोग नहीं किया था। यदि आप उस शोध अनुसंधान को देखते हैं जो दुनिया भर में स्वायत्त कंपनियों या रोबोटिक्स कंपनियों के साथ उस मामले के लिए हो रहा है, तो वे सभी तीन अलग-अलग सेंसर जैसे कैमरे, LiDAR और रडार का उपयोग कर रहे हैं। वर्तमान में, हमारे सभी स्वायत्त ड्राइविंग प्रयोग केवल कैमरों का उपयोग करके हुए हैं। जब मैंने कंपनी शुरू की, तो मेरे पास केवल योजना बनाने में विशेषज्ञता थी, लेकिन 2016 के बाद से, मैंने महसूस किया कि अत्याधुनिक शोध पत्र दुनिया भर में जो भी प्रयोगशालाएं काम कर रही हैं; यह सिर्फ वास्तविक दुनिया में काम नहीं करता है। अगर वे काम करते हैं, तो वे बहुत अधिक गहन रूप से गहन हैं, और वे सिर्फ काम नहीं करते हैं। इसलिए,मैंने अपने प्राथमिक अनुसंधान क्षेत्र के रूप में भी धारणा बनाई और मैंने लगभग 25% - 27% अपना समय धारणा अनुसंधान करने में लगाया। अब, हमारी कंपनी का अनुसंधान लक्ष्य स्वायत्त वाहनों को सक्षम करने के लिए केवल LiDARs और राडार की आवश्यकता के बिना कैमरों का उपयोग करने में सक्षम होना है। यह एक अनुसंधान महत्वाकांक्षा है जिसे हम प्राप्त करना चाहते हैं। इसे प्राप्त करते हुए, हमने यह भी सुनिश्चित किया है कि हमारे पास किसी भी सामान्य कार्य के लिए दुनिया का सबसे तेज़ एल्गोरिथम हो।
धारणा में हमारे दो लक्ष्य हैं। एक, एल्गोरिथ्म इतना सक्षम होना चाहिए कि वे दिन और रात दोनों के दौरान केवल कैमरों का उपयोग करने के लिए स्वायत्त वाहनों को सक्षम कर सकें। हमने इस धारणा क्षमता को न केवल दिन के समय बल्कि रात के साथ-साथ वाहन की हेडलाइट और नियमित रूप से बंद आरजीबी और एनआईआर कैमरों का उपयोग करते हुए बढ़ाया है, जिस तरह के कैमरे आप 3000 रुपये में खरीद सकते हैं बाजार।
हमारा ध्यान देते हैं